LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
哈哈完成签到,获得积分10
刚刚
刚刚
符雁发布了新的文献求助10
刚刚
tx应助鲨鱼采纳,获得10
1秒前
2秒前
高兴的故事完成签到,获得积分10
2秒前
整齐的大开应助尛瞐慶成采纳,获得10
2秒前
研友_VZG7GZ应助啊富汗采纳,获得10
2秒前
可爱花生发布了新的文献求助10
2秒前
风信子完成签到 ,获得积分10
3秒前
3秒前
库兹马完成签到,获得积分10
3秒前
宿屿完成签到 ,获得积分10
3秒前
4秒前
佩琪小姨完成签到,获得积分10
4秒前
cyy完成签到 ,获得积分10
4秒前
玉婷完成签到,获得积分10
4秒前
科研通AI2S应助热情的达采纳,获得10
4秒前
是不是Y发布了新的文献求助30
5秒前
爱科研的小尚同学完成签到,获得积分10
5秒前
科研通AI2S应助高兴的故事采纳,获得10
5秒前
yyl完成签到 ,获得积分10
5秒前
jiuniangyuanzi完成签到,获得积分10
6秒前
无忧无虑完成签到,获得积分10
6秒前
晨曦暮雪完成签到,获得积分10
6秒前
汪洋浮萍一道开完成签到,获得积分10
7秒前
奔跑的斌哥完成签到,获得积分10
7秒前
7秒前
充电宝应助斯李iko采纳,获得30
8秒前
崩溃发布了新的文献求助10
9秒前
研友_Z6k5Q8完成签到 ,获得积分10
9秒前
10秒前
虚心寄瑶完成签到,获得积分10
10秒前
鲸鱼不是鱼完成签到,获得积分10
10秒前
ziyue应助754采纳,获得10
10秒前
滕擎发布了新的文献求助10
11秒前
吴思航发布了新的文献求助10
13秒前
li发布了新的文献求助20
13秒前
jianni完成签到,获得积分10
14秒前
14秒前
高分求助中
Write Like a Chemist: A Guide and Resource (第二版) 600
Mixed-anion Compounds 600
Language injustice and social equity in EMI policies in China 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
Earth System Geophysics 500
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Geochemistry, 2nd Edition 地球化学经典教科书第二版 401
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3201451
求助须知:如何正确求助?哪些是违规求助? 2851050
关于积分的说明 8076115
捐赠科研通 2515031
什么是DOI,文献DOI怎么找? 1347679
科研通“疑难数据库(出版商)”最低求助积分说明 640457
邀请新用户注册赠送积分活动 610724